CN107766818A - 一种启发式的水下结构化环境线特征提取方法 - Google Patents
一种启发式的水下结构化环境线特征提取方法 Download PDFInfo
- Publication number
- CN107766818A CN107766818A CN201710972572.XA CN201710972572A CN107766818A CN 107766818 A CN107766818 A CN 107766818A CN 201710972572 A CN201710972572 A CN 201710972572A CN 107766818 A CN107766818 A CN 107766818A
- Authority
- CN
- China
- Prior art keywords
- mtd
- mrow
- msub
- line
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明属于声呐技术中信号处理领域，具体涉及一种启发式的水下结构化环境线特征提取方法。步骤有：获取机械扫描成像声呐原始数据；在载体系下进行声纳数据处理，并进行二值化处理，得到用于特征提取的点集；在载体系下使用投票算法进行投票以提取出结构化环境的直线特征；用启发式方法处理直线特征，得到能够描述结构化环境的线段特征；基于导航系统得到载体的位置信息和航姿信息，进而将提取到的线段特征转换到全局坐标系下。本发明解决了目前的机械式扫描前视声呐所运用的算法对水下结构化环境线特征提取不完备的问题，使用本方法从结构化环境中提取线段特征的准确率大于90％，并且本发明适用于水下同步定位与建图以及水下结构化环境特征建模。
Description
技术领域
本发明属于声呐技术中信号处理领域，具体涉及一种启发式的水下结构化环境线特征提取方法。
背景技术
海洋大约占据了70％的地球表面积，蕴藏着丰富的矿产、天然气和石油等资源，中国作为一个海岸线绵长的国家，考虑到日益短缺的陆地资源，是否能合理的开采和利用海洋资源具有非常重要的经济意义和战略目的。
我们利用声成像技术来观察水下地形地貌和水中物体，所谓声成像技术就是利用声波作为信息传递的载体,以各类声学仪器为成像设备的计算机图像显示及分析技术。声波具有在水中传播很远的距离、探测范围大的特性，其工作原理是利用主动发声设备发射声波,再由接收器接收声波,所接收的声波中便会携带空间中物体的信包、,通过计算机处理便可以形成一维或多维图像,并通过计算机显示设备将其显示出来便人们根据图像对事件做出迅速而正确地反映。
为了高效准确的观察海洋环境，我们可以在自主式水下机器人(AutonomousUnderwater Vehicles,简称AUV)上安装前视声呐，而随着海洋产业的不断发展，我们对水下机器人的声呐的智能化水平要求日益提高，水下环境建模作为水下机器人探索海洋的重要手段正越来越受到重视。水下机器人的工作环境中，结构化环境如港口、堤坝等结构化环境十分常见，针对水下结构化环境，水下机器人的声呐只有能够准确地从港口、堤坝中提取结构化环境的线特征，建立准确的结构化环境模型，才能认知环境信息，从而有效提高水下机器人的局部定位与路径规划能力。
水下机器人的前视声呐主要分为三大类：单波束机械扫描声呐、多波束扫描成像声呐、侧扫声呐。
单波束机械扫描声呐由机械驱动的一组换能器组成,它可以一边步进式的转动一定的角度，一边向周围发射一束声波脉冲,最大可达360度的扫描范围，由于它的体积小、结构简单、价格便宜、成像质量高，在今年来的水下机器人系统中得到了广泛的应用，所以该发明中机器人的前视声呐选用的是单波束机械扫描声呐。
多波束扫描成像声呐由水听器阵列组成,向海底发射一束大范围的声波脉冲,产生扫描范围内完整的声呐图像，扫描速率很快,但是价格昂贵。
侧扫声呐又称旁扫声呐,类似于多波束回声探测器,是专门设计用于产生大范围的海底图像。侧扫声呐的方位分辨率与其工作频率和换能器基阵尺寸有关。如果要提高侧扫声呐的方位分辨率,直观的思路就是提高系统工作频率或采用大的物理基阵,以获得足够小的照射波束。然而,增大物理基阵要受到安装平台对基阵尺寸以及重量限制的约束,很难得到实际应用。提高工作频率将使声波在水中的传播损失增大,穿透能力降低,从而限制了声呐的作用距离。
声呐总体上均易受环境影响而且水下环境本身为动态环境，导致声呐图像中存在较大的声学噪声。而目前结构化环境特征提取算法多针对激光雷达、结构光等非声学传感器感知生成的结构化环境图像，相对成像声呐而言，此类非声学传感器成像精度较高，尤其是在结构化环境特征的探测方面有很高的准确性。因此现有算法很难适用于受水下噪声干扰严重的声学图像，对于前视声呐感知的结构化环境特征提取准确性偏低，所以需要研究出一种新的算法来提高结构化环境特征提取的准确性。
发明内容
本发明的目的在于提供一种启发式的水下结构化环境线特征提取方法，该方法提高了现有的水下结构化特征提取的准确度。
本发明的目的是这样实现的：
一种启发式的水下结构化环境线特征提取方法，具体的实现步骤如下：
步骤1获取机械扫描成像声呐原始数据；
步骤2.对所述声呐原始数据进行动态阈值分割，并进行二值化处理，得到用于特征提取的候选点集合；
步骤3.在载体系下使用投票算法对步骤1中的候选点集合进行投票进而提取出结构化环境的直线特征；
步骤4.用启发式方法处理直线特征得到描述结构化环境的线段特征；
步骤5.基于导航系统得到载体的位置信息和航姿信息，将提取到的线段特征转换到全局坐标系下。
步骤2具体为：
步骤2.1.在载体系下将声呐最新扫描过的180度的原始数据作为特征提取原始数据集；
步骤2.2.对最新扫描过的180度原始声呐数据进行处理，对所有bin设立动态阈值进行阈值分割，得到二值化的bin数据，将所有bin值为1的点作为特征提取的点集。
步骤3具体为：
步骤3.1.选取载体系处理数据，将坐标系原点即载体在全局坐标系下的位置记为(xB,yB)；
步骤3.2.初始化用于投票的离散化累加器，离散化累加器是投票的具体表现形式，投票算法对bin值为1的点进行投票，采用投票算法在载体系下提取直线特征，使用离散化累加器记录每条直线在投票过程中得到的票数，每次开始投票前离散化累加器中票数应初始化为0；所述离散化累加器用于记录所有备选直线出现的次数，离散化累加器的具体形式可表示为矩阵，以如下方式表示
其中矩阵的第i行、第j列数据aij是载体系下某一特定备选直线出现次数(即投票票数)，该备选直线的参数通过i和j来确定；
步骤3.3.计算特征提取的点集内每个bin值为1的点的所有备选直线的参数，同时在离散化累加器内投票，公式(1)为声呐的投票模型，通过该公式计算过每个波束上的任意一个bin所在的位置处的所有备选直线的参数，即直线对应的角度θi-B和距离ρij-B：
步骤3.4.计算参数的过程中同时进行投票，在步骤3.3的计算所有bin值为1的点的备选直线的参数过程中，每计算出一条备选直线的参数，按照最邻近原则匹配到累加器中最接近该参数的离散化参数处，在累加器中该参数位置处票数加1，所有bin值为1的点处备选直线全部计算完成后，投票完成并得到完整的投票空间；
步骤3.5.提取直线，若仅需要提取一条直线，则在投票空间中寻找票数最高的位置，若该直线大于预设的票数阈值，将其对应的直线选为目标直线，否则不存在可提取的直线；如果要提取一条以上的直线，选出所有票数大于票数阈值的备选直线，若选出的直线中任意两条直线满足非相似关系，其中非相似关系指两条直线间角度和距离中某一项差值大于预设差异阈值，角度和距离的预设差异阈值不同，则这些备选直线均可作为目标直线；若有两条直线不满足相似关系，则舍掉票数更小的直线，选择票数更大的为目标直线，直至任意两条直线均满足不相似关系，剩下的直线均可作为目标直线，每条目标直线用对应的距离和角度两个参数表示。
步骤4具体为：
步骤4.1.计算声呐特征提取的点集中每个波束的最大的bin在载体系下的位置点，组成位置点集，设定一定的距离阈值判断点集内的点是否在目标直线附近，在目标直线附近的点组成“附近点集”，“附近点集”内的点按横坐标由小到大排列；
步骤4.2.根据“附近点集”内所有点的最大横坐标值xn和最小横坐标值x1两个坐标值，计算这两个横坐标值在目标直线上相应的纵坐标值，以此两点作为线段的两个端点，同时计算线段的长度；
步骤4.3.确定直线长度后，计算以下参数，
线段的支持率其中n为“附近点集”内点的个数，l为直线的长度，P定义了单位长度上的点数，表示点在直线上的密集程度；
线段上点的整体偏移度为其中xi,yi为附近点集中第i个点的坐标值，L表示线段上点的偏移程度和偏移方向；
线段上点的稀疏程度为π用于表示附近点集内的点在线段特征上的分布均匀程度；
对线段的支持率P、线段上点的整体偏移度L、线段上点的稀疏程度π设定阈值，根据这三个参数与阈值的对比关系，调整线段端点，最终获得描述障碍物的线段特征。
步骤4.3中的支持率P若低于预设阈值，则舍弃直线；若支持率P高于预设阈值，则保留直线，并分析直线的分布特性。
步骤4.3中的整体偏移度L的绝对值若小于预设阈值，则进一步计算其稀疏程度π，若整体偏移度L的绝对值大于或等于预设阈值，则根据整体偏移度L的正负调整两个端点，若整体偏移度L为负值，则从附近点集中舍去xn对应的点，若整体偏移度L为正值，则从点集中舍去x1对应的点，更新附近点集后重新回到步骤4.2中去。
步骤4.3中的支持率P若高于预设阈值且整体偏移度L小于预设值的情况下，计算线段上点的稀疏程度π，若稀疏程度π小于预设值，将该线段的特征作为描述结构化环境的线段特征；若稀疏程度π大于或等于所述预设值，则不选择该线段的线段特征，而仅保留该线段对应的直线特征。
步骤5中，通过公式(2)将步骤4中提取到的直线特征转换到全局坐标系下
其中ρ、θ为载体坐标系下提取的直线特征的距离和角度参数,ψ为载体首向，xB和yB分别为全局坐标系下的横、纵坐标值,公式(2)中的xp-E和yp-E分别为载体坐标系下的点到全局坐标系下坐标转换，xp和yp为载体坐标系下一点处的横纵坐标值，xp-E和yp-E即为求得的全局坐标系下的值，将线段特征的两个端点带入公式(2)，进而求得线段特征两端点在载体系下的坐标值。
本发明的有益效果在于：本发明能够准确地完成结构化环境的线特征提取，有效地完成对水下环境的准确建模，与现有结构化线特征提取方法相比，能更好地反映水下结构化环境。使用本发明的方法从结构化环境中提取线段特征的准确率大于90％。
附图说明
图1为载体坐标系示意图。
图2为直角坐标系下的声呐图像和波束形状示意图；
图3为经过阈值处理后的声呐图像；
图4为载体坐标系中直线特征参数关系示意图；
图5为成像声呐某时刻的直线特征提取效果图；
图6为全局坐标系下线特征示意图；
图7为图5中声呐特征提取的直线特征进行启发式方法分析得到的线段特征效果图；
图8为本发明的启发式水下结构化环境特征提取方法流程图；
具体实施方式：
下面结合附图对本发明做进一步的描述：
实施例1
近年来随着海洋产业的不断发展，对水下机器人的智能化水平要求日益提高，水下环境建模作为水下机器人探索海洋的重要手段正越来越受到重视。水下机器人的工作环境中，结构化环境如港口、堤坝等结构化环境十分常见，针对水下结构化环境，水下机器人只有能够准确地从港口、堤坝中提取结构化环境的线特征，建立准确的结构化环境模型，才能认知环境信息，从而有效提高水下机器人的局部定位与路径规划能力。
自主式水下机器人(Autonomous Underwater Vehicles,简称AUV)通常采用机械扫描成像声呐(简称“成像声呐”)感知结构化环境信息，由于声学探测易受环境影响而且水下环境本身为动态环境，导致声呐图像中存在较大的声学噪声。而目前结构化环境特征提取算法多针对激光雷达、结构光等非声学传感器感知生成的结构化环境图像，相对成像声呐而言，此类非声学传感器成像精度较高，尤其是在结构化环境特征的探测方面有很高的准确性。因此现有算法很难适用于受水下噪声干扰严重的声学图像，其对于前视声呐感知的结构化环境特征提取准确性偏低。
本发明具体涉及一种启发式的水下结构环境线特征提取方法，本发明为了解决现有算法对机械式扫描前视声呐对水下结构化环境线特征提取不完备的问题，提出一种启发式的水下结构化环境线特征提取方法，包括：获取机械扫描成像声呐原始数据；在载体系下进行声纳数据处理，并进行二值化处理，得到用于特征提取的点集；在载体系下使用投票算法进行投票以提取出结构化环境的直线特征；用启发式方法处理直线特征，得到能够描述结构化环境的线段特征；基于导航系统得到载体的位置信息和航姿信息，进而将提取到的线段特征转换到全局坐标系下。本发明适用于水下同步定位与建图以及水下结构化环境特征建模。
具体为：
1.一种启发式的水下结构化环境线特征提取方法,具体的实现步骤如下：
步骤1获取机械扫描成像声呐原始数据；
步骤2.对所述声呐原始数据进行动态阈值分割，并进行二值化处理，得到用于特征提取的候选点集合；
步骤3.在载体系下使用投票算法对步骤1中的候选点集合进行投票进而提取出结构化环境的直线特征；
步骤4.用启发式方法处理直线特征得到描述结构化环境的线段特征；
步骤5.基于导航系统得到载体的位置信息和航姿信息，将提取到的线段特征转换到全局坐标系下。
其中步骤2具体为：
步骤2.1.在载体系下将声呐最新扫描过的180度的原始数据作为特征提取原始数据集；
步骤2.2.对最新扫描过的180度原始声呐数据进行处理，对所有bin设立动态阈值进行阈值分割，得到二值化的bin数据，将所有bin值为1的点作为特征提取的点集。
其中步骤3具体为：
步骤3.1.选取载体系处理数据，将坐标系原点即载体在全局坐标系下的位置记为(xB,yB)；
步骤3.2.初始化用于投票的离散化累加器，离散化累加器是投票的具体表现形式，投票算法对bin值为1的点进行投票，采用投票算法在载体系下提取直线特征，使用离散化累加器记录每条直线在投票过程中得到的票数，每次开始投票前离散化累加器中票数应初始化为0；所述离散化累加器用于记录所有备选直线出现的次数，离散化累加器的具体形式可表示为矩阵，以如下方式表示
其中矩阵的第i行、第j列数据aij是载体系下某一特定备选直线出现次数(即投票票数)，该备选直线的参数通过i和j来确定；
步骤3.3.计算特征提取的点集内每个bin值为1的点的所有备选直线的参数，同时在离散化累加器内投票，公式(1)为声呐的投票模型，通过该公式计算过每个波束上的任意一个bin所在的位置处的所有备选直线的参数，即直线对应的角度θi-B和距离ρij-B：
步骤3.4.计算参数的过程中同时进行投票，在步骤3.3的计算所有bin值为1的点的备选直线的参数过程中，每计算出一条备选直线的参数，按照最邻近原则匹配到累加器中最接近该参数的离散化参数处，在累加器中该参数位置处票数加1，所有bin值为1的点处备选直线全部计算完成后，投票完成并得到完整的投票空间；
步骤3.5.提取直线，若仅需要提取一条直线，则在投票空间中寻找票数最高的位置，若该直线大于预设的票数阈值，将其对应的直线选为目标直线，否则不存在可提取的直线；如果要提取一条以上的直线，选出所有票数大于票数阈值的备选直线，若选出的直线中任意两条直线满足非相似关系，其中非相似关系指两条直线间角度和距离中某一项差值大于预设差异阈值，角度和距离的预设差异阈值不同，则这些备选直线均可作为目标直线；若有两条直线不满足相似关系，则舍掉票数更小的直线，选择票数更大的为目标直线，直至任意两条直线均满足不相似关系，剩下的直线均可作为目标直线，每条目标直线用对应的距离和角度两个参数表示。
其中步骤4具体为：
步骤4.1.计算声呐特征提取的点集中每个波束的最大的bin在载体系下的位置点，组成位置点集，设定一定的距离阈值判断点集内的点是否在目标直线附近，在目标直线附近的点组成“附近点集”，“附近点集”内的点按横坐标由小到大排列；
步骤4.2.根据“附近点集”内所有点的最大横坐标值xn和最小横坐标值x1两个坐标值，计算这两个横坐标值在目标直线上相应的纵坐标值，以此两点作为线段的两个端点，同时计算线段的长度；
步骤4.3.确定直线长度后，计算以下参数，
线段的支持率其中n为“附近点集”内点的个数，l为直线的长度，P定义了单位长度上的点数，表示点在直线上的密集程度；
线段上点的整体偏移度为其中xi,yi为附近点集中第i个点的坐标值，L表示线段上点的偏移程度和偏移方向；
线段上点的稀疏程度为π用于表示附近点集内的点在线段特征上的分布均匀程度；
对线段的支持率P、线段上点的整体偏移度L、线段上点的稀疏程度π设定阈值，根据这三个参数与阈值的对比关系，调整线段端点，最终获得描述障碍物的线段特征。
步骤4.3中的整体偏移度L的绝对值若小于预设阈值，则进一步计算其稀疏程度π，若整体偏移度L的绝对值大于或等于预设阈值，则根据整体偏移度L的正负调整两个端点，若整体偏移度L为负值，则从附近点集中舍去xn对应的点，若整体偏移度L为正值，则从点集中舍去x1对应的点，更新附近点集后重新回到步骤4.2中去。
步骤4.3中的支持率P若高于预设阈值且整体偏移度L小于预设值的情况下，计算线段上点的稀疏程度π，若稀疏程度π小于预设值，将该线段的特征作为描述结构化环境的线段特征；若稀疏程度π大于或等于所述预设值，则不选择该线段的线段特征，而仅保留该线段对应的直线特征。
步骤5中，通过公式(2)将步骤4中提取到的直线特征转换到全局坐标系下
其中ρ、θ为载体坐标系下提取的直线特征的距离和角度参数,ψ为载体首向，xB和yB分别为全局坐标系下的横、纵坐标值,xp-E和yp-E分别为载体坐标系下的点到全局坐标系下坐标转换，xp和yp为载体坐标系下一点处的横纵坐标值，xp-E和yp-E即为求得的全局坐标系下的值，将线段特征的两个端点带入公式(2)进而求得线段特征两端点在载体系下的坐标值。
本发明的一个应用情形可以是进行水下作业任务的机器人，机器人上装备有机械扫描前视成像声呐，该声呐不断发出一个波束角很小的波束并按顺时针或逆时针方向扫描周围环境，在扫描过一定角度(例如180度)的过程中，对该角度范围内的声呐数据进行处理会得到若干点，用来表示声呐在该点探测到障碍物，这些作为提取特征的候选点集，利用该点集提取结构化环境的直线特征，即本发明中首先提取出的是结构化环境对应的直线特征。在直线特征的基础上，应用启发式方法将直线特征转换成能准确描述结构化环境的线段特征，因此本发明最终得到的是用于描述结构化环境的线段特征。本发明的目的是通过对声呐数据进行分析和处理来确定周围结构化特征。具体直线特征的提取是通过在载体系下使用投票算法，具体线段特征的提取是对直线特征使用启发式的方法处理，并将直线转换到全局坐标系下。
其中上述的步骤2具体为:
步骤2.1.在载体系下将声呐最新扫描过的180度的原始数据作为特征提取原始数据集。
载体坐标系如图1所示，载体坐标系原点在载体重心上，X轴沿水下机器人载体横滚轴指前(载体纵前方向)，Y轴沿载体纵摇轴指右，Z轴沿载体竖轴向下，并与X轴、Y轴构成右手直角坐标系，载体坐标系随载体的运动而运动。同时假定载体上声呐位于载体系原点(实际使用中，若声呐不在载体系原点，进行简单的坐标转换即可)。本发明中仅涉及平面运动，因此本发明中所指的载体系均仅涉及XOY平面。
机械扫描成像声呐的工作原理为，声呐不断地发出一个波束角很小的波束并按一定方向转动扫描，同时声呐本身会记录每个波束对应的转动角度。在声呐波束探测距离内，每隔一定距离间隔声呐会探测该距离处的回波强度(bin)，所以每个波束上的每一个位置都对应一个回波强度(bin)，即声呐返回数据为该波束上固定位置间隔处的回波强度组成。如某机械扫描成像声呐探测距离为50m，声呐每隔0.1m检测一次回波，相应会得到距离声呐0.1m、0.2m、0.3m…49.9m、50m处的回波强度。回波强度越强表示障碍物存在的可能性越大，通过对回波强度进行分析可确定在该回波强度处是否探测到障碍物。
机械扫描式成像声呐通过按一定方向不断转动来使波束扫描周围环境，因此可利用扫描过一定角度的数据来进行特征提取。以某机械扫描成像声呐为例，此种声呐按照顺时针方向不断转动，每次转动1.8度，因此声呐扫描过180度时共含有100个波束，最新扫描过的180度原始数据声呐即最新扫描到的100个声呐波束的原始数据。考虑到算法的具体实现，当出现新的波束时，为保证是最新的180度声呐原始数据，则舍去最旧的波束，添加最新的波束。声呐波束示意图如图2所示。
通过测试表明，为了提取准确的直线特征，采用声呐扫描过的180度原始数据最为合适，大于180度的情况可能会存在较多的直线，直线间相交部分可能会较多，会影响特征提取，小于180度的情况会影响直线提取的完整性。对于实时处理的特征提取，选择最新扫描过的180度左右声呐数据来作为原始数据以从中提取出合适的直线。
步骤2.2.对最新扫描过的180度原始声呐数据进行处理，对所有bin设立动态阈值进行阈值分割，得到二值化的bin数据，将所有bin值为1的点作为特征提取的点集。
具体而言，成像声呐的原始数据是声呐探测距离内所有位置内的回波强度，通常情况下这些数据需要进行进一步的处理才能进行使用。成像声呐在某处探测到的回波强度bin的大小表示所声波在该位置返回的声波强度，该强度大小主要与是否存在障碍物有关，也与声波遇到障碍物的特征和性质等因素有关。在声呐数据的处理中，可用适当的阈值进行分割，并以0和1的二值化数据表示该点是否存在障碍物，高于阈值的bin记为1来表示该位置探测到障碍物，低于阈值的bin记为0来表示该点没探测到障碍物，因此对于每个波束上的每个位置是否存在障碍物都可以用二值数据形式的bin来表示。考虑到前述的影响声呐回波强度因素，阈值应设置为与所有回波强度相关的动态阈值而非某一固定数值。阈值分割后bin的值为1的所有点表示返回了回波强度较大的点，可表示声呐在该处探测到障碍物，因此可用这些点可作为特征提取的候选点。图3以图像的形式表示二值化后的声呐图像。
其中上述的步骤3具体为：
步骤3.1.选取载体系处理数据，将坐标系原点即载体在全局坐标系下的位置记为(xB,yB)。
步骤3.2.初始化用于投票的离散化累加器。离散化累加器是投票的具体表现形式，投票算法对bin值为1的点进行投票。采用投票算法在载体系下提取直线特征，使用离散化累加器记录每条直线在投票过程中得到的票数，每次开始投票前离散化累加器中票数应初始化为0；所述离散化累加器用于记录所有备选直线出现的次数。离散化累加器的具体形式可表示为矩阵，以如下方式表示：
矩阵中第i行、第j列数据aij是载体系下某一特定备选直线出现次数(即投票票数)。
投票算法的原理是利用直线参数的性质进行投票，直角坐标系下一条直线可用角度和距离两个参数表示(两个参数即极坐标系参数，距离是从原点到该直线的距离，角度是原点到该直线垂线段与X轴夹角)，投票算法正是利用了这一性质进行投票，bin值为1的点都可能是结构化环境特征上的一点，即为所要提取的直线特征上一点，在仅知道直线上一点的情况下，过该点的任意一条直线都有可能是直线特征，因此将过该点的每条直线都作为备选直线特征，计算bin值为1的每个点的所有备选直线对应的两个参数，每计算出一条备选直线在对应的参数组的票数上加1票。上述的离散化累加器正是表示参数组合票数的方式，累加器的行和列各表示一种参数，并且累加器对应的参数范围必须包括所有备选直线可能的参数范围，对参数范围进行离散化，矩阵行数和列数分别对应离散化后的参数的相对应，因此矩阵内每一个元素都对应一条各不相同的备选直线，通过元素的行和列便可以得到相应的备选直线参数。如备选直线对应的角度范围是(0°，360°]，距离范围(0m,50m]，离散化后的距离参数为0.1m、0.2m、0.3m…49.9m、50m等五百个距离，角度参数为1°、2°、3°…359°、360°等180个角度，若行对应角度参数，列对应距离参数，则a60,100代表角度为60度，距离为10m的一条备选直线。
需要说明的是，本发明选取直线的在极坐标下的参数(ρ，θ)来表示直线特征，本发明中所述的“直线对应的角度”指直线在的极坐标下的角度参数θ，即载体系原点到直线所引垂线与载体系x轴正向所形成的夹角，“直线对应的距离”指直线在极坐标的距离参数ρ，即直线到载体坐标系原点的距离，通过对θ和ρ投票可得到载体坐标系下的直线特征。
步骤3.3.计算特征提取的点集内每个bin值1的点的所有备选直线的参数，同时在离散化累加器内投票。公式(1)为声呐的投票模型，通过该公式可计算过每个波束上的任意一个bin所在的位置处的所有备选直线的参数，即直线对应的角度θi-B和距离ρij-B：
在实际算法中，并不计算所有的bin位置处的备选直线，只在bin值为1时才根据上述公式计算该bin所在位置处的所有备选直线。
公式(1)中参数和几何形式在图4中都有所表示，其中reg是第i个波束与当前载体坐标系X轴正向的夹角。xi和yi是第i个波束的原点在载体系下的位置，根据前述设定，波束原点就是发出波束时刻载体的位置。ρij是第i个波束上的第j个bin对应的点到原点的距离。公式(1)中θ1是由于波束实际情况设定的参数，实际情况下，由于声呐发射出的是一个较小波束角的波束，某一距离处的波束探测范围为一圆弧(该圆弧对应波束的波束角α)，因此回波强度bin反映的实际是一段圆弧上某点返回的回波强度，波束角虽然很小，但考虑到声波束探测距离较远，因此在距离较远时，圆弧会是一个不可忽略的范围而不能视为一个点，所以仍需考虑返回回波强度的点(即声呐探测到存在障碍物的点)具体在圆弧上位置，而该点具体可在圆弧上任意一个位置，投票算法对所有可能的位置进行投票，因此用公式(1)和图4中的θ1来表示该点在圆弧上具体位置(波束面上一点与波束原点连线，该直线与图4中波束面中线夹角为θ1)，其取值区间为在确定返回回波强度的点的具体位置后，用θ2表示备选直线的角度，即备选直线与图中过返回回波强度的点切线之间的夹角为θ2，其取值区间为[-90° 90°]，在算法的实际实现中，对两个角度的取值范围离散化并取离散化角度值，θ1和θ2的所有组合便可确定一个波束上每个bin处的所有备选直线，结合上述公式(1)确定所有的备选直线的直线参数。上述变量在载体系中的几何关系如图4所示。
步骤3.4.计算参数的过程中同时进行投票。在步骤3.3中，计算所有bin值为1的点的备选直线的参数过程中，每计算出一条备选直线的参数，按照最邻近原则匹配到累加器中最接近该参数的离散化参数处，在累加器中该参数位置处票数加1，所有bin值为1的点处备选直线全部计算完成后，即投票完成得到完整的投票空间。
步骤3.5.提取直线，若需要提取一条直线，则在投票空间中寻找票数最高的位置，若该直线大于预设的票数阈值，将其对应的直线选为目标直线，否则不存在可提取的直线；如果要提取一条以上的直线，选出所有票数大于票数阈值的备选直线，若选出的直线中任意两条直线满足非相似关系，非相似关系是指两条直线间角度和距离中某一项差值大于预设差异阈值，角度和距离的预设差异阈值不同，则这些备选直线均可作为目标直线，若有两条直线不满足相似关系，则舍掉票数更小的直线，选择票数更大的为目标直线，直至任意两条直线均满足不相似关系，这些直线便都作为目标直线。每条目标直线用对应的距离和角度两个参数表示。某时刻声呐提取出直线特征如图5所示。
其中上述的步骤4具体为：
步骤4.1.计算声呐特征提取的点集中每个波束的最大的bin在载体系下的位置点，组成位置点集，设定一定的距离阈值判断点集内的点是否在目标直线附近，在目标直线附近的点组成“附近点集”(该点集内的点按横坐标由小到大排列)。
步骤4.2.根据“附近点集”内所有点的最大横坐标值xn和最小横坐标值x1两个坐标值，计算这两个横坐标值在目标直线上相应的纵坐标值，以此两点作为线段的两个端点，同时计算线段的长度。
步骤4.3.确定直线长度后，计算以下参数：
线段的支持率其中n为“附近点集”内点的个数，l为直线的长度。P定义了单位长度上的点数，表示点在直线上的密集程度。
线段上点的整体偏移度：其中xi,yi为“附近点集”中第i个点的坐标值(点集中点的顺序按照横坐标值由小到大)；L表示线段上点的偏移程度和偏移方向。
线段上点的稀疏程度：π表示“附近点集”内的点在线段特征上的分布均匀程度。
对线段的支持率P、线段上点的整体偏移度L、线段上点的稀疏程度π设定阈值，根据以上三个参数与阈值的对比关系，调整线段端点，获得描述障碍物的线段特征。
其中的步骤4.3具体为：
计算线段的支持率P，若线段的支持率P低于预设阈值，舍弃直线，若支持率P高于预设阈值，则保留直线，进而分析其分布特性。
计算整体偏移度L，若整体偏移度L的绝对值小于预设阈值则进一步计算其稀疏程度π。若整体偏移度L的绝对值大于或等于预设阈值，则根据整体偏移度L的正负调整两个端点，若整体偏移度L为负值，则从附近点集中舍去xn对应的点，若整体偏移度L为正值，则从点集中舍去x1对应的点，更新附近点集后重新回到步骤4.2中去；
在线段的aP大于预设阈值且整体偏移度L小于预设值的情况下，计算线段上点的稀疏程度π，若稀疏程度π小于预设值，则将该线段的特征作为用于描述结构化环境的线段特征，若稀疏程度π大于或等于所述预设值，则不选择该线段的线段特征，而仅保留该线段对应的直线特征。
其中上述的步骤5具体为：
步骤5中，基于导航系统得到载体的位置信息和航姿信息，通过如下公式(2)将提取到的直线特征转换到全局坐标系下：
坐标转换几何关系如图6所示。其中ρ、θ为载体坐标系下提取的直线特征的距离和角度参数；ψ为载体首向，xB和yB分别为全局坐标系下的横、纵坐标值，xp-E和yp-E对应的两个公式为载体坐标系下的点到全局坐标系下坐标转换，xp和yp为载体坐标系下一点处的横纵坐标值，xp-E和yp-E即为求得的该点在全局坐标系下的值，将线段特征的两个端点带入公式(2)求得线段特征两端点在载体系下的坐标值。
机械扫描图像声呐不断发出波束并按照顺时针或逆时针方向旋转来测绘周围环境，通过换能器测量回波强度形成声呐数据，声呐数据可直接处理成灰度图形式的声呐图像，但是对于载体而言，这种形式的声呐图像意义不大，因此，对于声呐数据而言，需要进行处理，结合导航数据形成周围的环境特征。
在具体实施中，声呐按照顺时针或逆时针方向不断地扫描周围的环境，与此同时载体的导航系统连续的给出此时载体的位姿信息。每个时刻选定声呐最新的扫描过的180度原始数据来进行特征提取，即每当有新的波束时，添加该波束的所有bin数据，舍去最旧的波束。对数据区间的声呐数据进行处理，对所有bin设立动态阈值进行阈值分割，bin值大于阈值表示已探测到障碍物，bin赋值为1，bin值小于阈值表示未探测到障碍物，bin赋值为0，得到二值化数据。利用二值处理后的bin值为1的所有点进行特征提取，图3为某一经过二值化处理后的声呐图像。
选用载体系处理数据，载体系如图1所示，坐标系原点(XB,YB)为当前载体位置亦即最新的波束对应的载体位置作为坐标系原点，X轴沿水下机器人载体横滚轴指前(即载体纵前方向)，Y轴沿载体纵摇轴指右。
采用投票算法进行特征提取，投票算法对直线对应的距离和角度(即前述极坐标系下直线的参数)，首先初始化包含备选直线的距离和角度两个参数范围的离散化累加器，如前所述，设定θ1和θ2的离散化参数范围。
计算所有bin值为1的点处所有备选直线在载体系下的角度和距离参数，每个点都在相应的波束上，同时考虑每个波束对应的位置不同，每个波束上点的参考直线在载体坐标系下的几何关系如图4所示，每个波束上bin值为1的点处的所有备选直线在载体系下的参数关系均可由如下公式表示：
其中reg是第i个波束与载体系X轴正向的夹角，θ1和θ2分别是确定返回回波强度的点(即声呐探测到的障碍物点)的具体位置和确定备选直线角度参数的角度，两个角度取值范围如前所述，xi和yi是第i个波束对应的载体位置，ρij是第i个波束上对应的第j个bin的距离。
每计算出一条备选直线的参数，在相应的离散化累加器位置上票数加一，以此计算所有障碍点的所有备选直线特征，完成投票，得到投票空间。在投票空间中寻找极值点，即寻找票数最高的点，若该点票数高于预定的票数阈值，则该直线可作为目标直线，即为要提取的特征直线；若要同时提取多条直线，则在票数高于预定票数阈值的直线中寻找目标直线，若任意两条直线均满足不相似关系，则均可作为目标直线；若有直线间不满足不相似关系，舍去票数较小的直线，直至任意两条直线间满足不相似关系，剩下的直线均作为目标直线。某一成像声呐某时刻的特征提取图像如5图所示(仅提取一条目标直线)。
对提取到的直线特征进行处理，得到线段特征，首先提取每个波束的最大回波强度的bin点，按照先后顺序组成位置点集，验证每个bin对应的位置到直线的距离，将在直线附近的点最为“附近点集”，并将点集内的点按横坐标值大小排列顺序，因此x1和xn分别为点集中横坐标最小值和最大值，通过计算两个横坐标在直线上对应的纵坐标得到在直线的两个上两个点，将此两点作为线段两个端点计算线段长度。然后对直线特征进行准确性分析，首先计算线段的支持率P，当线段的收到的支持率P较低时，舍弃直线，即无法提取出直线特征，如支持率P较高，则保存直线，进而分析其分布特性：计算整体偏移度L，若整体偏移度L的绝对值较小则进一步计算其稀疏程度π；若整体偏移度L绝对值较大，根据稀疏程度π的正负调整两个端点，若稀疏程度π为负值，则从“附近点集”中删除xn对应的点，若稀疏程度π为正值，则从“附近点集”中删除x1对应的点，根据更新的“附近点集”重新计算线段长度并计算支持率P和整体偏移度L；在支持率P较高且整体偏移度L达到要求的情况下，计算线段上点的稀疏程度π，若稀疏程度π较小，该线段可作为准确特征，若稀疏程度π过大，则该线段仅保留对应的直线特征，线段的确定需要通过以后的数据测量来确定。每取出一条线段特征，则保存线段的两个端点。图7为图5中的声呐特征提取直线进行启发式方法分析后的特征图像，如图所示效果很好。
最后结合导航系统给出的位置和航姿数据，加上在体系下提取出的直线特征，给出特征在全局坐标系下载体的位置，如图6所示。载体坐标系下线段特征的参数在全局坐标系下的表达式用公式(2)表示，其中ρ、θ为载体坐标系下提取的直线特征的参数。ψ为载体首向，xB、yB为全局坐标系下的载体位置。xp和yp为载体坐标系下的点在载体系下的坐标值，xp-E和yp-E对应该点在全局坐标系下的横纵坐标值，将载体系下提取出线段特征的点坐标代入公式(2)，求得两端点在全局坐标系下的坐标值。
实施例2
本发明涉及一种启发式的水下结构化环境线特征提取方法，该方法解决了现有算法对水下结构化环境线特征提取不完备的问题，提出了一种启发式的水下结构化环境线特征提取方法。
如图1到8所示，本实施方式的一种启发式的水下结构化环境线特征提取方法，包括：
步骤1获取机械扫描成像声呐原始数据；
步骤2.对所述声呐原始数据进行动态阈值分割，并进行二值化处理，得到用于特征提取的候选点集合；
步骤3.在载体系下使用投票算法对步骤1中的候选点集合进行投票进而提取出结构化环境的直线特征；
步骤4.用启发式方法处理直线特征得到描述结构化环境的线段特征；
步骤5.基于导航系统得到载体的位置信息和航姿信息，将提取到的线段特征转换到全局坐标系下。
本发明的一个应用情形可以是进行水下作业任务的机器人，机器人上装备有机械扫描前视成像声呐，该声呐不断发出一个波束角很小的波束并按顺时针或逆时针方向扫描周围环境，在扫描过一定角度(例如180度)的过程中，对该角度范围内的声呐数据进行处理会得到若干点，用来表示声呐在该点探测到障碍物，这些作为提取特征的候选点集，利用该点集提取结构化环境的直线特征，即本发明中首先提取出的是结构化环境对应的直线特征。在直线特征的基础上，应用启发式方法将直线特征转换成能准确描述结构化环境的线段特征，因此本发明最终得到的是用于描述结构化环境的线段特征。本发明的目的是通过对声呐数据进行分析和处理来确定周围结构化特征。具体直线特征的提取是通过在载体系下使用投票算法，具体线段特征的提取是对直线特征使用启发式的方法处理，并将直线转换到全局坐标系下。
其中上述的步骤2具体为:
步骤2.1.在载体系下将声呐最新扫描过的180度的原始数据作为特征提取原始数据集。
载体坐标系如图1所示，载体坐标系原点在载体重心上，X轴沿水下机器人载体横滚轴指前(载体纵前方向)，Y轴沿载体纵摇轴指右，Z轴沿载体竖轴向下，并与X轴、Y轴构成右手直角坐标系，载体坐标系随载体的运动而运动。同时假定载体上声呐位于载体系原点(实际使用中，若声呐不在载体系原点，进行简单的坐标转换即可)。本发明中仅涉及平面运动，因此本发明中所指的载体系均仅涉及XOY平面。
机械扫描成像声呐的工作原理为，声呐不断地发出一个波束角很小的波束并按一定方向转动扫描，同时声呐本身会记录每个波束对应的转动角度。在声呐波束探测距离内，每隔一定距离间隔声呐会探测该距离处的回波强度(bin)，所以每个波束上的每一个位置都对应一个回波强度(bin)，即声呐返回数据为该波束上固定位置间隔处的回波强度组成。如某机械扫描成像声呐探测距离为50m，声呐每隔0.1m检测一次回波，相应会得到距离声呐0.1m、0.2m、0.3m…49.9m、50m处的回波强度。回波强度越强表示障碍物存在的可能性越大，通过对回波强度进行分析可确定在该回波强度处是否探测到障碍物。
机械扫描式成像声呐通过按一定方向不断转动来使波束扫描周围环境，因此可利用扫描过一定角度的数据来进行特征提取。以某机械扫描成像声呐为例，此种声呐按照顺时针方向不断转动，每次转动1.8度，因此声呐扫描过180度时共含有100个波束，最新扫描过的180度原始数据声呐即最新扫描到的100个声呐波束的原始数据。考虑到算法的具体实现，当出现新的波束时，为保证是最新的180度声呐原始数据，则舍去最旧的波束，添加最新的波束。声呐波束示意图如图2所示。
通过测试表明，为了提取准确的直线特征，采用声呐扫描过的180度原始数据最为合适，大于180度的情况可能会存在较多的直线，直线间相交部分可能会较多，会影响特征提取，小于180度的情况会影响直线提取的完整性。对于实时处理的特征提取，选择最新扫描过的180度左右声呐数据来作为原始数据以从中提取出合适的直线。
步骤2.2.对最新扫描过的180度原始声呐数据进行处理，对所有bin设立动态阈值进行阈值分割，得到二值化的bin数据，将所有bin值为1的点作为特征提取的点集。
具体而言，成像声呐的原始数据是声呐探测距离内所有位置内的回波强度，通常情况下这些数据需要进行进一步的处理才能进行使用。成像声呐在某处探测到的回波强度bin的大小表示所声波在该位置返回的声波强度，该强度大小主要与是否存在障碍物有关，也与声波遇到障碍物的特征和性质等因素有关。在声呐数据的处理中，可用适当的阈值进行分割，并以0和1的二值化数据表示该点是否存在障碍物，高于阈值的bin记为1来表示该位置探测到障碍物，低于阈值的bin记为0来表示该点没探测到障碍物，因此对于每个波束上的每个位置是否存在障碍物都可以用二值数据形式的bin来表示。考虑到前述的影响声呐回波强度因素，阈值应设置为与所有回波强度相关的动态阈值而非某一固定数值。阈值分割后bin的值为1的所有点表示返回了回波强度较大的点，可表示声呐在该处探测到障碍物，因此可用这些点可作为特征提取的候选点。图3以图像的形式表示二值化后的声呐图像。
其中上述的步骤3具体为：
步骤3.1.选取载体系处理数据，将坐标系原点即载体在全局坐标系下的位置记为(xB,yB)。
步骤3.2.初始化用于投票的离散化累加器。离散化累加器是投票的具体表现形式，投票算法对bin值为1的点进行投票。采用投票算法在载体系下提取直线特征，使用离散化累加器记录每条直线在投票过程中得到的票数，每次开始投票前离散化累加器中票数应初始化为0；所述离散化累加器用于记录所有备选直线出现的次数。离散化累加器的具体形式可表示为矩阵，以如下方式表示：
矩阵中第i行、第j列数据aij是载体系下某一特定备选直线出现次数(即投票票数)。
投票算法的原理是利用直线参数的性质进行投票，直角坐标系下一条直线可用角度和距离两个参数表示(两个参数即极坐标系参数，距离是从原点到该直线的距离，角度是原点到该直线垂线段与X轴夹角)，投票算法正是利用了这一性质进行投票，bin值为1的点都可能是结构化环境特征上的一点，即为所要提取的直线特征上一点，在仅知道直线上一点的情况下，过该点的任意一条直线都有可能是直线特征，因此将过该点的每条直线都作为备选直线特征，计算bin值为1的每个点的所有备选直线对应的两个参数，每计算出一条备选直线在对应的参数组的票数上加1票。上述的离散化累加器正是表示参数组合票数的方式，累加器的行和列各表示一种参数，并且累加器对应的参数范围必须包括所有备选直线可能的参数范围，对参数范围进行离散化，矩阵行数和列数分别对应离散化后的参数的相对应，因此矩阵内每一个元素都对应一条各不相同的备选直线，通过元素的行和列便可以得到相应的备选直线参数。如备选直线对应的角度范围是(0°，360°]，距离范围(0m,50m]，离散化后的距离参数为0.1m、0.2m、0.3m…49.9m、50m等五百个距离，角度参数为1°、2°、3°…359°、360°等180个角度，若行对应角度参数，列对应距离参数，则a60,100代表角度为60度，距离为10m的一条备选直线。
需要说明的是，本发明选取直线的在极坐标下的参数(ρ，θ)来表示直线特征，本发明中所述的“直线对应的角度”指直线在的极坐标下的角度参数θ，即载体系原点到直线所引垂线与载体系x轴正向所形成的夹角，“直线对应的距离”指直线在极坐标的距离参数ρ，即直线到载体坐标系原点的距离，通过对θ和ρ投票可得到载体坐标系下的直线特征。
步骤3.3.计算特征提取的点集内每个bin值1的点的所有备选直线的参数，同时在离散化累加器内投票。公式(1)为声呐的投票模型，通过该公式可计算过每个波束上的任意一个bin所在的位置处的所有备选直线的参数，即直线对应的角度θi-B和距离ρij-B：
在实际算法中，并不计算所有的bin位置处的备选直线，只在bin值为1时才根据上述公式计算该bin所在位置处的所有备选直线。
公式(1)中参数和几何形式在图4中都有所表示，其中reg是第i个波束与当前载体坐标系X轴正向的夹角。xi和yi是第i个波束的原点在载体系下的位置，根据前述设定，波束原点就是发出波束时刻载体的位置。ρij是第i个波束上的第j个bin对应的点到原点的距离。公式(1)中θ1是由于波束实际情况设定的参数，实际情况下，由于声呐发射出的是一个较小波束角的波束，某一距离处的波束探测范围为一圆弧(该圆弧对应波束的波束角α)，因此回波强度bin反映的实际是一段圆弧上某点返回的回波强度，波束角虽然很小，但考虑到声波束探测距离较远，因此在距离较远时，圆弧会是一个不可忽略的范围而不能视为一个点，所以仍需考虑返回回波强度的点(即声呐探测到存在障碍物的点)具体在圆弧上位置，而该点具体可在圆弧上任意一个位置，投票算法对所有可能的位置进行投票，因此用公式(1)和图4中的θ1来表示该点在圆弧上具体位置(波束面上一点与波束原点连线，该直线与图4中波束面中线夹角为θ1)，其取值区间为在确定返回回波强度的点的具体位置后，用θ2表示备选直线的角度，即备选直线与图中过返回回波强度的点切线之间的夹角为θ2，其取值区间为[-90° 90°]，在算法的实际实现中，对两个角度的取值范围离散化并取离散化角度值，θ1和θ2的所有组合便可确定一个波束上每个bin处的所有备选直线，结合上述公式(1)确定所有的备选直线的直线参数。上述变量在载体系中的几何关系如图4所示。
步骤3.4.计算参数的过程中同时进行投票。在步骤3.3中，计算所有bin值为1的点的备选直线的参数过程中，每计算出一条备选直线的参数，按照最邻近原则匹配到累加器中最接近该参数的离散化参数处，在累加器中该参数位置处票数加1，所有bin值为1的点处备选直线全部计算完成后，即投票完成得到完整的投票空间。
步骤3.5.提取直线，若需要提取一条直线，则在投票空间中寻找票数最高的位置，若该直线大于预设的票数阈值，将其对应的直线选为目标直线，否则不存在可提取的直线；如果要提取一条以上的直线，选出所有票数大于票数阈值的备选直线，若选出的直线中任意两条直线满足非相似关系，非相似关系是指两条直线间角度和距离中某一项差值大于预设差异阈值，角度和距离的预设差异阈值不同，则这些备选直线均可作为目标直线，若有两条直线不满足相似关系，则舍掉票数更小的直线，选择票数更大的为目标直线，直至任意两条直线均满足不相似关系，这些直线便都作为目标直线。每条目标直线用对应的距离和角度两个参数表示。某时刻声呐提取出直线特征如图5所示。
其中上述的步骤4具体为：
步骤4.1.计算声呐特征提取的点集中每个波束的最大的bin在载体系下的位置点，组成位置点集，设定一定的距离阈值判断点集内的点是否在目标直线附近，在目标直线附近的点组成“附近点集”(该点集内的点按横坐标由小到大排列)。
步骤4.2.根据“附近点集”内所有点的最大横坐标值xn和最小横坐标值x1两个坐标值，计算这两个横坐标值在目标直线上相应的纵坐标值，以此两点作为线段的两个端点，同时计算线段的长度。
步骤4.3.确定直线长度后，计算以下参数：
线段的支持率其中n为“附近点集”内点的个数，l为直线的长度。P定义了单位长度上的点数，表示点在直线上的密集程度。
线段上点的整体偏移度：其中xi,yi为“附近点集”中第i个点的坐标值(点集中点的顺序按照横坐标值由小到大)；L表示线段上点的偏移程度和偏移方向。
线段上点的稀疏程度：π表示“附近点集”内的点在线段特征上的分布均匀程度。
对线段的支持率P、线段上点的整体偏移度L、线段上点的稀疏程度π设定阈值，根据以上三个参数与阈值的对比关系，调整线段端点，获得描述障碍物的线段特征。
其中的步骤4.3具体为：
计算线段的支持率P，若线段的支持率P低于预设阈值，舍弃直线，若支持率P高于预设阈值，则保留直线，进而分析其分布特性。
计算整体偏移度L，若整体偏移度L的绝对值小于预设阈值则进一步计算其稀疏程度π。若整体偏移度L的绝对值大于或等于预设阈值，则根据整体偏移度L的正负调整两个端点，若整体偏移度L为负值，则从附近点集中舍去xn对应的点，若整体偏移度L为正值，则从点集中舍去x1对应的点，更新附近点集后重新回到步骤4.2中去；
在线段的aP大于预设阈值且整体偏移度L小于预设值的情况下，计算线段上点的稀疏程度π，若稀疏程度π小于预设值，则将该线段的特征作为用于描述结构化环境的线段特征，若稀疏程度π大于或等于所述预设值，则不选择该线段的线段特征，而仅保留该线段对应的直线特征。
其中上述的步骤5具体为：
步骤5中，基于导航系统得到载体的位置信息和航姿信息，通过如下公式(2)将提取到的直线特征转换到全局坐标系下：
坐标转换几何关系如图6所示。其中ρ、θ为载体坐标系下提取的直线特征的距离和角度参数；ψ为载体首向，xB和yB分别为全局坐标系下的横、纵坐标值，公式(2)中的xp-E和yp-E分别为载体坐标系下的点到全局坐标系下坐标转换，xp和yp为载体坐标系下一点处的横纵坐标值，xp-E和yp-E即为求得的该点在全局坐标系下的值，将线段特征的两个端点带入公式(2)求得线段特征两端点在载体系下的坐标值。
机械扫描图像声呐不断发出波束并按照顺时针或逆时针方向旋转来测绘周围环境，通过换能器测量回波强度形成声呐数据，声呐数据可直接处理成灰度图形式的声呐图像，但是对于载体而言，这种形式的声呐图像意义不大，因此，对于声呐数据而言，需要进行处理，结合导航数据形成周围的环境特征。
在具体实施中，声呐按照顺时针或逆时针方向不断地扫描周围的环境，与此同时载体的导航系统连续的给出此时载体的位姿信息。每个时刻选定声呐最新的扫描过的180度原始数据来进行特征提取，即每当有新的波束时，添加该波束的所有bin数据，舍去最旧的波束。对数据区间的声呐数据进行处理，对所有bin设立动态阈值进行阈值分割，bin值大于阈值表示已探测到障碍物，bin赋值为1，bin值小于阈值表示未探测到障碍物，bin赋值为0，得到二值化数据。利用二值处理后的bin值为1的所有点进行特征提取，图3为某一经过二值化处理后的声呐图像。
选用载体系处理数据，载体系如图1所示，坐标系原点(XB,YB)为当前载体位置亦即最新的波束对应的载体位置作为坐标系原点，X轴沿水下机器人载体横滚轴指前(即载体纵前方向)，Y轴沿载体纵摇轴指右。
采用投票算法进行特征提取，投票算法对直线对应的距离和角度(即前述极坐标系下直线的参数)，首先初始化包含备选直线的距离和角度两个参数范围的离散化累加器，如前所述，设定θ1和θ2的离散化参数范围。
计算所有bin值为1的点处所有备选直线在载体系下的角度和距离参数，每个点都在相应的波束上，同时考虑每个波束对应的位置不同，每个波束上点的参考直线在载体坐标系下的几何关系如图4所示，每个波束上bin值为1的点处的所有备选直线在载体系下的参数关系均可由如下公式表示：
其中reg是第i个波束与载体系X轴正向的夹角，θ1和θ2分别是确定返回回波强度的点(即声呐探测到的障碍物点)的具体位置和确定备选直线角度参数的角度，两个角度取值范围如前所述，xi和yi是第i个波束对应的载体位置，ρij是第i个波束上对应的第j个bin的距离。
每计算出一条备选直线的参数，在相应的离散化累加器位置上票数加一，以此计算所有障碍点的所有备选直线特征，完成投票，得到投票空间。在投票空间中寻找极值点，即寻找票数最高的点，若该点票数高于预定的票数阈值，则该直线可作为目标直线，即为要提取的特征直线；若要同时提取多条直线，则在票数高于预定票数阈值的直线中寻找目标直线，若任意两条直线均满足不相似关系，则均可作为目标直线；若有直线间不满足不相似关系，舍去票数较小的直线，直至任意两条直线间满足不相似关系，剩下的直线均作为目标直线。某一成像声呐某时刻的特征提取图像如5图所示(仅提取一条目标直线)。
对提取到的直线特征进行处理，得到线段特征，首先提取每个波束的最大回波强度的bin点，按照先后顺序组成位置点集，验证每个bin对应的位置到直线的距离，将在直线附近的点最为“附近点集”，并将点集内的点按横坐标值大小排列顺序，因此x1和xn分别为点集中横坐标最小值和最大值，通过计算两个横坐标在直线上对应的纵坐标得到在直线的两个上两个点，将此两点作为线段两个端点计算线段长度。然后对直线特征进行准确性分析，首先计算线段的支持率P，当线段的收到的支持率P较低时，舍弃直线，即无法提取出直线特征，如支持率P较高，则保存直线，进而分析其分布特性：计算整体偏移度L，若整体偏移度L的绝对值较小则进一步计算其稀疏程度π；若整体偏移度L绝对值较大，根据稀疏程度π的正负调整两个端点，若稀疏程度π为负值，则从“附近点集”中删除xn对应的点，若稀疏程度π为正值，则从“附近点集”中删除x1对应的点，根据更新的“附近点集”重新计算线段长度并计算支持率P和整体偏移度L；在支持率P较高且整体偏移度L达到要求的情况下，计算线段上点的稀疏程度π，若稀疏程度π较小，该线段可作为准确特征，若稀疏程度π过大，则该线段仅保留对应的直线特征，线段的确定需要通过以后的数据测量来确定。每取出一条线段特征，则保存线段的两个端点。图7为图5中的声呐特征提取直线进行启发式方法分析后的特征图像，如图所示效果很好。
最后结合导航系统给出的位置和航姿数据，加上在体系下提取出的直线特征，给出特征在全局坐标系下载体的位置，如图6所示。载体坐标系下线段特征的参数在全局坐标系下的表达式用公式(2)表示，其中ρ、θ为载体坐标系下提取的直线特征的参数。ψ为载体首向，xB、yB为全局坐标系下的载体位置。xp和yp为载体坐标系下的点在载体系下的坐标值，xp-E和yp-E对应该点在全局坐标系下的横纵坐标值，将载体系下提取出线段特征的点坐标代入公式(2)，求得两端点在全局坐标系下的坐标值。
这里必须指出的是，本方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术。
Claims (8)
1.一种启发式的水下结构化环境线特征提取方法,其特征在于,具体的实现步骤如下：
步骤1获取机械扫描成像声呐原始数据；
步骤2.对所述声呐原始数据进行动态阈值分割，并进行二值化处理，得到用于特征提取的候选点集合；
步骤3.在载体系下使用投票算法对步骤1中的候选点集合进行投票进而提取出结构化环境的直线特征；
步骤4.用启发式方法处理直线特征得到描述结构化环境的线段特征；
步骤5.基于导航系统得到载体的位置信息和航姿信息，将提取到的线段特征转换到全局坐标系下。
2.根据权利要求1所述的一种启发式的水下结构化环境线特征提取方法，其特征在于，步骤2具体为：
步骤2.1.在载体系下将声呐最新扫描过的180度的原始数据作为特征提取原始数据集；
步骤2.2.对最新扫描过的180度原始声呐数据进行处理，对所有bin设立动态阈值进行阈值分割，得到二值化的bin数据，将所有bin值为1的点作为特征提取的点集。
3.根据权利要求1所述的一种启发式的水下结构化环境线特征提取方法，其特征在于，步骤3具体为：
步骤3.1.选取载体系处理数据，将坐标系原点即载体在全局坐标系下的位置记为(xB,yB)；
步骤3.2.初始化用于投票的离散化累加器，离散化累加器是投票的具体表现形式，投票算法对bin值为1的点进行投票，采用投票算法在载体系下提取直线特征，使用离散化累加器记录每条直线在投票过程中得到的票数，每次开始投票前离散化累加器中票数应初始化为0；所述离散化累加器用于记录所有备选直线出现的次数，离散化累加器的具体形式可表示为矩阵，以如下方式表示
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mn>1</mn>
<mi>j</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mn>2</mn>
<mi>j</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>m</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>m</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>m</mi>
<mi>j</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
其中矩阵的第i行、第j列数据aij是载体系下某一特定备选直线出现次数(即投票票数)，该备选直线的参数通过i和j来确定；
步骤3.3.计算特征提取的点集内每个bin值为1的点的所有备选直线的参数，同时在离散化累加器内投票，公式(1)为声呐的投票模型，通过该公式计算过每个波束上的任意一个bin所在的位置处的所有备选直线的参数，即直线对应的角度θi-B和距离ρij-B：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mi>B</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>r</mi>
<mi>e</mi>
<mi>g</mi>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mo>-</mo>
<mi>B</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<msub>
<mi>cos&theta;</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mi>B</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>sin&theta;</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mi>B</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>cos&theta;</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤3.4.计算参数的过程中同时进行投票，在步骤3.3的计算所有bin值为1的点的备选直线的参数过程中，每计算出一条备选直线的参数，按照最邻近原则匹配到累加器中最接近该参数的离散化参数处，在累加器中该参数位置处票数加1，所有bin值为1的点处备选直线全部计算完成后，投票完成并得到完整的投票空间；
步骤3.5.提取直线，若仅需要提取一条直线，则在投票空间中寻找票数最高的位置，若该直线大于预设的票数阈值，将其对应的直线选为目标直线，否则不存在可提取的直线；如果要提取一条以上的直线，选出所有票数大于票数阈值的备选直线，若选出的直线中任意两条直线满足非相似关系，其中非相似关系指两条直线间角度和距离中某一项差值大于预设差异阈值，角度和距离的预设差异阈值不同，则这些备选直线均可作为目标直线；若有两条直线不满足相似关系，则舍掉票数更小的直线，选择票数更大的为目标直线，直至任意两条直线均满足不相似关系，剩下的直线均可作为目标直线，每条目标直线用对应的距离和角度两个参数表示。
4.根据权利要求1所述的一种启发式的水下结构化环境线特征提取方法，其特征在于，步骤4具体为：
步骤4.1.计算声呐特征提取的点集中每个波束的最大的bin在载体系下的位置点，组成位置点集，设定一定的距离阈值判断点集内的点是否在目标直线附近，在目标直线附近的点组成“附近点集”，“附近点集”内的点按横坐标由小到大排列；
步骤4.2.根据“附近点集”内所有点的最大横坐标值xn和最小横坐标值x1两个坐标值，计算这两个横坐标值在目标直线上相应的纵坐标值，以此两点作为线段的两个端点，同时计算线段的长度；
步骤4.3.确定直线长度后，计算以下参数，
线段的支持率其中n为“附近点集”内点的个数，l为直线的长度，P定义了单位长度上的点数，表示点在直线上的密集程度；
线段上点的整体偏移度为其中xi,yi为附近点集中第i个点的坐标值，L表示线段上点的偏移程度和偏移方向；
线段上点的稀疏程度为π用于表示附近点集内的点在线段特征上的分布均匀程度；
对线段的支持率P、线段上点的整体偏移度L、线段上点的稀疏程度π设定阈值，根据这三个参数与阈值的对比关系，调整线段端点，最终获得描述障碍物的线段特征。
5.根据权利要求4所述的一种启发式的水下结构化环境线特征提取方法，其特征在于：步骤4.3中的支持率P若低于预设阈值，则舍弃直线；若支持率P高于预设阈值，则保留直线，并分析直线的分布特性。
6.根据权利要求4所述的一种启发式的水下结构化环境线特征提取方法，其特征在于：步骤4.3中的整体偏移度L的绝对值若小于预设阈值，则进一步计算其稀疏程度π，若整体偏移度L的绝对值大于或等于预设阈值，则根据整体偏移度L的正负调整两个端点，若整体偏移度L为负值，则从附近点集中舍去xn对应的点，若整体偏移度L为正值，则从点集中舍去x1对应的点，更新附近点集后重新回到步骤4.2中去。
7.根据权利要求5所述的一种启发式的水下结构化环境线特征提取方法，其特征在于：步骤4.3中的支持率P若高于预设阈值且整体偏移度L小于预设值的情况下，计算线段上点的稀疏程度π，若稀疏程度π小于预设值，将该线段的特征作为描述结构化环境的线段特征；若稀疏程度π大于或等于所述预设值，则不选择该线段的线段特征，而仅保留该线段对应的直线特征。
8.根据权利要求1所述的一种启发式的水下结构化环境线特征提取方法，其特征在于：步骤5中，通过公式(2)将步骤4中提取到的直线特征转换到全局坐标系下
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&rho;</mi>
<mi>E</mi>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mi>B</mi>
</msub>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>&psi;</mi>
<mo>+</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>y</mi>
<mi>B</mi>
</msub>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<mi>&psi;</mi>
<mo>+</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&rho;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&theta;</mi>
<mi>E</mi>
</msub>
<mo>=</mo>
<mi>&psi;</mi>
<mo>+</mo>
<mi>&theta;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>p</mi>
<mo>-</mo>
<mi>E</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mi>B</mi>
</msub>
<mo>+</mo>
<msub>
<mi>x</mi>
<mi>p</mi>
</msub>
<mi>cos</mi>
<mi>&psi;</mi>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>p</mi>
</msub>
<mi>sin</mi>
<mi>&psi;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>p</mi>
<mo>-</mo>
<mi>E</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>y</mi>
<mi>B</mi>
</msub>
<mo>+</mo>
<msub>
<mi>x</mi>
<mi>p</mi>
</msub>
<mi>sin</mi>
<mi>&psi;</mi>
<mo>+</mo>
<msub>
<mi>y</mi>
<mi>p</mi>
</msub>
<mi>cos</mi>
<mi>&psi;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中ρ、θ为载体坐标系下提取的直线特征的距离和角度参数,ψ为载体首向，xB和yB分别为全局坐标系下的横、纵坐标值,公式(2)中的xp-E和yp-E分别为载体坐标系下的点到全局坐标系下坐标转换，xp和yp为载体坐标系下一点处的横纵坐标值，xp-E和yp-E即为求得的全局坐标系下的值，将线段特征的两个端点带入公式(2)，进而求得线段特征两端点在载体系下的坐标值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710972572.XA CN107766818B (zh) | 2017-10-18 | 2017-10-18 | 一种启发式的水下结构化环境线特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710972572.XA CN107766818B (zh) | 2017-10-18 | 2017-10-18 | 一种启发式的水下结构化环境线特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107766818A true CN107766818A (zh) | 2018-03-06 |
| CN107766818B CN107766818B (zh) | 2021-05-11 |
Family
ID=61268665
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710972572.XA Active CN107766818B (zh) | 2017-10-18 | 2017-10-18 | 一种启发式的水下结构化环境线特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107766818B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110146110A (zh) * | 2019-05-20 | 2019-08-20 | 哈尔滨工程大学 | 一种室内环境机器人线特征icnn数据关联的误匹配判定方法 |
| CN110320520A (zh) * | 2019-06-26 | 2019-10-11 | 哈尔滨工程大学 | 一种测深信息同步定位与建图的鲁棒后端图优化方法 |
| CN111126385A (zh) * | 2019-12-13 | 2020-05-08 | 哈尔滨工程大学 | 一种可变形活体小目标的深度学习智能识别方法 |
| CN111582026A (zh) * | 2020-03-31 | 2020-08-25 | 中国科学院声学研究所 | 基于稀疏驱动ale的支持向量机的水下目标检测方法及系统 |
| CN115272217A (zh) * | 2022-07-22 | 2022-11-01 | 湖北工业大学 | 一种基于声呐图像的水下机器人定位方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7869306B2 (en) * | 2008-07-21 | 2011-01-11 | Northrop Grumman Guidance And Electronics Company, Inc. | System and method for automatic detection of a sonar contact |
| CN103473763A (zh) * | 2013-08-31 | 2013-12-25 | 哈尔滨理工大学 | 基于启发式概率Hough变换的道路边缘检测方法 |
| CN106097315A (zh) * | 2016-06-03 | 2016-11-09 | 河海大学常州校区 | 一种基于声呐图像的水下构筑物裂缝提取方法 |
-
2017
- 2017-10-18 CN CN201710972572.XA patent/CN107766818B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7869306B2 (en) * | 2008-07-21 | 2011-01-11 | Northrop Grumman Guidance And Electronics Company, Inc. | System and method for automatic detection of a sonar contact |
| CN103473763A (zh) * | 2013-08-31 | 2013-12-25 | 哈尔滨理工大学 | 基于启发式概率Hough变换的道路边缘检测方法 |
| CN106097315A (zh) * | 2016-06-03 | 2016-11-09 | 河海大学常州校区 | 一种基于声呐图像的水下构筑物裂缝提取方法 |
Non-Patent Citations (5)
| Title |
|---|
| CHOI J 等: "Robust sonar feature detection for the SLAM of mobile robot", 《RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS & SYSTEMS》 * |
| JUAN DOMINGO TARDOS 等: "Underwater SLAM in Man-Made Structured Environments", 《JOURNAL OF FIELD ROBOTICS》 * |
| 熊磊: "基于多测距仪的UUV结构环境SLAM方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 王宏健 等: "基于强跟踪 CKF 的无人水下航行器 SLAM", 《仪器仪表学报》 * |
| 王宏健 等: "基于模糊自适应 Hough 变换的海洋环境特征提取", 《仪器仪表学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110146110A (zh) * | 2019-05-20 | 2019-08-20 | 哈尔滨工程大学 | 一种室内环境机器人线特征icnn数据关联的误匹配判定方法 |
| CN110320520A (zh) * | 2019-06-26 | 2019-10-11 | 哈尔滨工程大学 | 一种测深信息同步定位与建图的鲁棒后端图优化方法 |
| CN110320520B (zh) * | 2019-06-26 | 2022-08-02 | 哈尔滨工程大学 | 一种测深信息同步定位与建图的鲁棒后端图优化方法 |
| CN111126385A (zh) * | 2019-12-13 | 2020-05-08 | 哈尔滨工程大学 | 一种可变形活体小目标的深度学习智能识别方法 |
| CN111582026A (zh) * | 2020-03-31 | 2020-08-25 | 中国科学院声学研究所 | 基于稀疏驱动ale的支持向量机的水下目标检测方法及系统 |
| CN111582026B (zh) * | 2020-03-31 | 2023-05-23 | 中国科学院声学研究所 | 基于稀疏驱动ale的支持向量机的水下目标检测方法及系统 |
| CN115272217A (zh) * | 2022-07-22 | 2022-11-01 | 湖北工业大学 | 一种基于声呐图像的水下机器人定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107766818B (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107766818A (zh) | 一种启发式的水下结构化环境线特征提取方法 | |
| Blondel | The handbook of sidescan sonar | |
| CN105352476B (zh) | 船载水岸线水上水下一体化测量系统集成方法 | |
| CN104154911B (zh) | 一种具有旋转不变性的海底地形二维匹配辅助导航方法 | |
| Leedekerken et al. | Mapping complex marine environments with autonomous surface craft | |
| CN111350214B (zh) | 多波束水下钢管桩桩位测量方法 | |
| Wawrzyniak et al. | MSIS image postioning in port areas with the aid of comparative navigation methods | |
| CN109490906B (zh) | 一种基于激光雷达的船载波浪动态测量装置 | |
| CN113177593B (zh) | 一种水上交通环境中雷达点云与影像数据的融合方法 | |
| RU2429507C1 (ru) | Способ восстановления рельефа морского дна при измерениях глубин посредством гидроакустических средств и устройство для его осуществления | |
| Reggiannini et al. | Seafloor analysis and understanding for underwater archeology | |
| CN102798841A (zh) | 影像显示装置以及雷达装置 | |
| CN116027349A (zh) | 基于激光雷达和侧扫声呐数据融合的珊瑚礁底质分类方法 | |
| RU2466426C1 (ru) | Способ восстановления рельефа морского дна при измерении глубин посредством гидроакустических средств | |
| JP3562494B2 (ja) | ソーナー探知範囲予察可視化システム、方法及びプログラム | |
| Villar et al. | Pipeline detection system from acoustic images utilizing CA-CFAR | |
| Tian | Side-scan sonar techniques for the characterization of physical properties of artificial benthic habitats | |
| CN111694003A (zh) | 一种水下地物识别系统 | |
| Tang et al. | Three dimensional height information reconstruction based on mobile active sonar detection | |
| CN105137439A (zh) | 一种二维旋回式单波束水声测量系统及其测量方法 | |
| CN115290055A (zh) | 基于无人机和无人船的海岸带sbt-dem构建方法 | |
| Leedekerken et al. | Mapping complex marine environments with autonomous surface craft | |
| CN111260674B (zh) | 从声呐图像中提取目标轮廓线的方法、系统及存储介质 | |
| KR101566337B1 (ko) | 수중 영상 소나에 의한 식별 및 영상처리가 용이한 인공 표식물 | |
| Wawrzyniak et al. | MSIS sonar image segmentation method based on underwater viewshed analysis and high-density seabed model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |